Kalman filter
PulseAugur coverage of Kalman filter — every cluster mentioning Kalman filter across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
激光雷达与鱼眼相机融合模型增强建筑机器人物体跟踪
研究人员为建筑环境开发了一种新颖的传感器融合模型，结合了激光雷达和鱼眼相机数据，用于动态物体检测和跟踪。该框架通过整合精确的激光雷达测量与RGB图像的语义信息，增强了四足机器人。该系统将3D坐标投影到2D全景图上以分配语义标签，并使用实时图像检测更新卡尔曼滤波器。它展示了高精度和鲁棒性，尤其是在处理在静态和动态状态之间转换的物体方面。
-
新校准方法在无GNSS情况下提升AUV导航精度
研究人员开发了一种信息辅助校准（IAC）方法，以提高自主水下航行器（AUV）多普勒计程仪（DVL）测量的准确性。这种新方法在有GNSS信号的环境中增强了传统的基于卡尔曼滤波器的校准，实现了高达20%的改进。至关重要的是，IAC还实现了无GNSS的DVL自校准，这对于在信号受限区域的操作至关重要，速度矢量估计的改进高达35%。
-
新的 LMKF SLAM 方法提高了机器人定位和建图的准确性
研究人员开发了一种名为 LMKF SLAM 的新方法，以提高移动机器人同步定位与建图 (SLAM) 的准确性和稳定性。该方法将非线性状态空间模型转换为线性模型，从而可以应用原始卡尔曼滤波器。据报道，LMKF SLAM 方法在准确性、收敛性和计算复杂度方面优于现有技术，特别是基于 EKF 的 SLAM，同时在应对传感器不确定性和系统参数变化方面也表现出更强的鲁棒性。
-
无味卡尔曼滤波器增强非线性系统状态估计
无味卡尔曼滤波器是一种用于非线性系统状态估计的方法。它改进了扩展卡尔曼滤波器，在某些应用中提供了更好的准确性和鲁棒性。
-
双层自回归模型学习卡尔曼滤波
研究人员证明，当在部分观测到的线性动力系统的训练数据上进行训练时，双层线性自回归模型可以学会近似卡尔曼滤波。该研究表明，即使模型没有明确了解底层动力学，其学习到的隐藏表示也与最优卡尔曼滤波器产生的状态估计一致。这一发现得到了关于自回归模型卡尔曼滤波近似的理论见解、双层模型的良性优化景观以及预测和状态恢复误差的有限样本保证的支持。
-
新型卡尔曼滤波器从数据中学习动力学和分类
研究人员开发了一种新的自监督混合自适应卡尔曼滤波器，该滤波器仅通过测量即可学习校正系统动力学和过程噪声。这种方法旨在提高估计精度和不确定性量化，而这在传统卡尔曼滤波器中通常对模型不匹配很敏感。然后，滤波器的创新似然度可用于模型分类，在低数据和大数据场景中均表现出稳健的性能。
-
手势识别优化室内太赫兹集成传感与通信系统
研究人员开发了一种用于室内太赫兹（THz）环境的新型集成传感与通信（ISAC）系统。该系统利用扩展卡尔曼滤波器（EKF）驱动的手势识别功能，动态调整资源分配。通过跟踪用户手势，系统可以优化功率分配和波束成形，以提高传感精度并满足通信服务质量要求。
-
LLM发现改进的卡尔曼滤波器算法以进行状态估计
研究人员开发了一个名为Kalman Evolve的新框架，该框架使用大型语言模型（LLM）来发现改进的滤波算法。该方法优化了卡尔曼滤波器的噪声参数和更新结构，解决了非线性传感场景中的局限性。所发现的算法在各种基准测试（包括多普勒雷达和LiDAR跟踪）上显示出显著的改进，将均方根误差（RMSE）降低了多达12%。
-
基于AI的Q-Net使用卡尔曼滤波器估计交通队列长度
研究人员开发了Q-Net，一个用于估计信号交叉口交通队列长度的新颖框架。这个AI增强的卡尔曼滤波器集成了来自环形检测器和浮动车数据的信息，解决了数据分辨率差异和交通守恒违反等挑战。在鹿特丹进行的评估表明，Q-Net与基线方法相比表现更优，能够在无需昂贵的传感基础设施的情况下准确跟踪队列动态。
-
得分卡尔曼滤波器绕过配分函数实现非线性贝叶斯滤波
研究人员开发了得分卡尔曼滤波器（SKF），这是一种新颖的非线性贝叶斯滤波方法，它绕过了计算成本高昂的配分函数。通过将得分匹配与斯坦因恒等式相结合，SKF将密度拟合简化为线性求解，并有效地闭合了矩层级。该方法允许在高维空间中进行滤波，已在高达n=20的维度上得到验证，并在合成基准测试中实现了比现有基线更低的均方根误差（RMSE）。
-
新的卡尔曼滤波框架在细胞复形上对复杂时间序列数据进行建模
研究人员开发了一种新的拓扑感知状态空间框架，用于从复杂的时间序列数据中推断潜在动力学。该方法利用细胞复形上的随机偏微分方程来模拟状态演化和观测，即使在部分可观测和结构未知的情况下也是如此。该方法采用扩展卡尔曼滤波器进行递归状态估计，并采用期望最大化算法进行参数学习，同时使用启发式算法来推断缺失的拓扑结构。
-
卡尔曼滤波器：AI 的贝叶斯方法在导航与直觉之间的权衡
卡尔曼滤波器是人工智能和机器人学中的一个核心概念，通过一个关于信任 GPS 导航还是个人直觉的问题进行了探讨。这种贝叶斯推理技术对于航空航天导航和控制系统至关重要。
-
FoundationPose模型和卡尔曼滤波器改进姿态跟踪
研究人员开发了一种集成方向卡尔曼滤波器（EnDKF）以改进姿态跟踪。该方法集成了单位四元数，以更好地表示方向不确定性，超越了传统的卡尔曼滤波器假设。在使用FoundationPose算法进行头部跟踪场景的实验表明，与仅使用测量值相比，误差显著降低。
-
研究人员通过潜在分布匹配统一自监督学习
研究人员提出了一个新的自监督学习（SSL）理论框架，将其构建为潜在分布匹配（LDM）。该方法旨在将各种现有的SSL方法，包括对比学习和非对比学习技术，统一在一个理论框架下。LDM框架还为开发新的SSL方法提供了指导，并已推导出一种新的时间序列数据贝叶斯滤波模型。
-
新的卡尔曼滤波器使用注意力来改进机器人状态估计
研究人员开发了一种基于注意力的神经增强卡尔曼滤波器（AttenNKF），以改进腿式机器人的状态估计。这种新滤波器解决了由足部打滑引起的估计误差这一关键挑战，足部打滑违反了标准假设。AttenNKF 整合了一个带有注意力机制的神经网络，以检测和补偿打滑引起的误差，从而提高精度，尤其是在挑战性条件下。
-
卡尔曼滤波器详解：在数据中分离信号与噪声
卡尔曼滤波器是一种强大的工具，用于从嘈杂的数据中估计系统的状态。它在控制系统和贝叶斯方法中用于分离信号与噪声特别有用。本文探讨了它在信号处理中的实现和应用。
-
贝叶斯神经卡尔曼滤波器增强了无人机在嘈杂环境下的状态估计
研究人员开发了一种新的贝叶斯神经卡尔曼滤波器（BNKF），以改善无人机（UAV）在挑战性环境下的状态估计。该混合框架结合了贝叶斯神经网络（BNNs）的که不确定性量化能力和一个卡尔曼校正步骤。BNKF旨在比传统的卡尔曼滤波器更有效地处理非线性运动和嘈杂的传感器数据，在退化的传感条件下提供更高的准确性和精度。
-
新方法KERV和HeiSD通过运动学感知加速具身VLA模型
两篇新研究论文介绍了加速用于机器人控制的视觉-语言-动作（VLA）模型推理速度的方法。KERV利用卡尔曼滤波器预测动作并调整接受阈值，在成功率损失极小的情况下实现了高达37%的加速。HeiSD提出了一种混合方法，将不同的推测解码技术与运动学感知相结合，在模拟中达到高达2.45倍的加速，在真实场景中达到2.41倍的加速，同时保持高成功率。
-
信念空间MPC为具有双线性观测的线性系统提供了改进的控制
研究人员开发了一种信念空间模型预测控制（B-MPC）方法，以应对具有双线性观测的线性系统的控制挑战。该方法通过同时考虑估计状态及其误差协方差来规划控制输入，克服了控制影响观测质量的分离原理失效问题。数值实验表明，B-MPC可以通过实现更低的估计协方差和做出更具不确定性感知能力的决策来优于传统方法。
-
OA-VAT管道通过实例判别和遮挡规划增强视觉跟踪
研究人员开发了OA-VAT，这是一个旨在通过解决视觉相似干扰物和遮挡等挑战来改进视觉主动跟踪（VAT）的新管道。该系统使用具有DINOv3特征的免训练初始化模块来创建不同的实例原型，从而减轻混淆。它还包含一个具有卡尔曼滤波器的在线增强跟踪器以提高稳定性，以及一个利用条件扩散进行路径生成的遮挡感知轨迹规划器。实验表明，OA-VAT在各种基准测试中均取得了最先进的性能，运行效率为35 FPS。